在[真实学校名称]学习期间，系统掌握了计算机科学与技术专业知识，深入学习了算法设计、图像处理等相关课程，为视觉感知算法领域的研究和实践奠定了坚实基础。在校期间积极参与科研项目，锻炼了科研能力和团队协作能力。

• 负责公司智能安防产品的视觉感知算法研发工作，主导目标检测算法优化，使检测准确率从85%提升至92%，在实际项目中有效降低误报率。
• 带领团队完成行人重识别算法开发，通过优化特征提取和度量学习模块，使模型在市场数据集上的mAP指标提高了15个百分点，产品在同类竞品中性能领先。
• 与硬件团队紧密协作，针对嵌入式设备进行算法轻量化部署，在保证精度损失小于3%的情况下，推理速度提升40%，产品成功落地多个安防项目。

• 参与自动驾驶视觉感知模块开发，负责车道线检测算法研究。通过改进深度学习模型结构，使车道线检测的召回率达到98%，在复杂路况（如阴影、破损车道线）下仍能稳定输出结果。
• 优化图像语义分割算法，将车辆、行人、交通标志等不同类别分割的平均交并比（mIoU）从75%提升至82%，为自动驾驶决策提供更精准的环境信息。
• 搭建算法性能评估平台，定期对算法进行多场景测试，积累了丰富的算法优化经验，推动团队算法研发流程标准化。

• 项目名称：智能零售货架商品识别系统
• 担任角色：算法负责人
• 项目描述：该项目旨在通过视觉感知算法实现零售货架商品的实时识别与库存监测。
  • 设计并实现基于深度学习的商品检测与分类算法，采用多尺度特征融合网络结构，在包含2000+类商品的数据集上，检测准确率达到95%，分类准确率达到98%。
  • 优化算法在边缘计算设备上的部署，通过模型量化、剪枝等技术，使算法推理时间从500ms降低至150ms，满足货架实时监测需求。
  • 带领团队完成算法迭代与优化，根据实际场景反馈持续改进模型，系统上线后，帮助合作零售企业库存盘点效率提升60%，缺货率降低30%。

• 项目名称：基于视觉的工业缺陷检测系统
• 担任角色：核心算法工程师
• 项目描述：针对工业生产线上的产品表面缺陷检测难题，参与开发基于视觉的缺陷检测系统。
  • 研究并应用多种图像处理与深度学习算法（如Faster R-CNN、U-Net改进版），实现对金属表面划痕、塑料件裂纹等多种缺陷的高精度检测。在实际工业数据集上，缺陷检测的准确率达到93%，召回率达到92%。
  • 设计数据增强策略和模型集成方法，提高算法对不同光照、角度、产品批次变化的鲁棒性。
  • 与工业现场工程师密切合作，完成算法在工业相机和工控机上的部署调试，系统投入使用后，帮助企业将产品缺陷漏检率从8%降低至1%以下，大幅提高产品质量检测效率。